大家好，我是 Ai 學(xué)習(xí)的老章

DeepSeek-OCR

DeepSeek 最近發(fā)布了《DeepSeek-OCR：基于視覺壓縮的大模型長上下文增強方案》這篇論文，同步開源了模型文件。

最近一段時間好像是迎來了 OCR 的黃金時代，百度的 PaddleOCR-VL、阿里 Qwen3-VL、小紅書的 dots-ocr、Nanonets-OCR2 等等。

更早之前我也測試過一些，閱讀不佳就沒再繼續(xù)

論文上看，DeepSeek-OCR有兩個核心，一個是純粹的 OCR，這是本文測試的重點。

另一個就是上下文光學(xué)壓縮（Contexts Optical Compression），解決了大模型在長上下文處理上的算力瓶頸。這玩意我是看不太懂，只看到市面上幾乎全部文章吹捧。

DeepSeek-OCR 不僅是 OCR 模型，通過視覺壓縮實現(xiàn)“以小博大”，在長文本處理上突破了算力與精度的平衡，是大模型長上下文的一個解決方案，它讓 AI 的“記憶”更像人類，或許正在打開通往下一代智能的鑰匙。

再回到 OCR 方面，DeepSeek-OCR 表現(xiàn)不俗：

• 壓縮比 ≤10 倍時，準(zhǔn)確率 >95%，幾乎無損。

• ICDAR 2023 數(shù)據(jù)集：10 倍壓縮下準(zhǔn)確率 97.3%，速度 8.2 頁/秒，顯存僅 4.5GB。

• 對比 MinerU2.0（6000+ tokens/頁，1.5 頁/秒，12.8GB 顯存），優(yōu)勢明顯。

• 財報：286 頁年報，表格還原率 95.7%，耗時 4 分鐘（

• 論文：公式識別率 92.1%，LaTeX 可直接使用。

• 合同：批注關(guān)聯(lián)率 89.5%，比 Tesseract 高 27%。

我沒有本地部署，直接使用了 HF 上一個 Space，應(yīng)該是用的 Gradio 開發(fā)的

https://huggingface.co/spaces/khang119966/DeepSeek-OCR-DEMO

測試樣例取自我之前這篇文章：

文中我測試幾個大模型（Kimi、Qwen-3-235B-A22B、Claude-3.7-sonnet、GPT-4.1、Gemini 2.5 Pro）在 latex 公式識別中的表現(xiàn)，測試從帶公式的圖片中識別出公式代碼，有兩個手寫公式識別，難度不小。當(dāng)時 DeepSeek 不是多模態(tài)，沒有參與對比，本文剛好補上。

例 1:中高難度，模糊手寫，數(shù)字是歐洲寫法，比如 7 中間加了一橫，其中有一個 8 寫的極像 6

之前我測試只有 Gemini 2.5 Pro 可以完成任務(wù)，DeepSeek-OCR 犯了和其他模型一樣的問題，其中一個模糊的 8 識別成了 6。

另外這個工具有一段奇怪的字符串

刪掉之后就正常了，后面幾個，為了展示方便，我都刪了

百度Paddle也沒完成，8識別成了6.

例 2:簡單點，印刷版，可以完成任務(wù)，這個太簡單了，其他模型也都可以勝任

例 3:上難度，多個復(fù)雜公式一次識別

還行，有瑕疵，中間有奇怪符號，而且沒有換行

百度完成的就很好

例 4:復(fù)雜公式，帶矩陣運算

DeepSeek-OCR 完成的不錯

例 5:最高難度，模糊手寫，公式混在文本中，橫線與筆記本自帶的線混在一起

這個只有 Gemini 2.5 Pro 成功識別的題目，DeepSeek- OCR 完成的很一般

最后在看一個復(fù)雜表格識別

DeepSeek- OCR 沒有把表頭識別好

百度 paddle 就很 OK

中間很多我沒有同時讓百度表現(xiàn)，因為也是用了 HF 的 Space，很不穩(wěn)定

總結(jié)看DeepSeek-OCR 確實很優(yōu)秀，但是絕不是 SOTA 級別

補充說明，不是 DeepSeek-OCR 不好，它有我無法理解的偉大創(chuàng)新。單 OCR 這一塊，單這幾個實例，它確實不如百度 PaddleOCR-VL 這個 0.9B 的小模型。

此外，我還測試了一文中提到的 API，調(diào)用 DeepSeek-OCR 把 PDF 轉(zhuǎn) Markdown。

速度極快，22 頁，一分鐘不到。返回的是 json 格式，正文部分大量\n 預(yù)覽起來很費勁，簡單看，它沒有去理解配圖，其他都還行。

制作不易，如果這篇文章覺得對你有用，可否點個關(guān)注。給我個三連擊：點贊、轉(zhuǎn)發(fā)和在看。若可以再給我加個，謝謝你看我的文章，我們下篇再見！